设计模式-观察者模式

本文介绍了观察者设计模式,也称为发布订阅模式。这种模式中,被观察者(发布者)在发布信息时,已订阅的观察者(订阅者)会接收到通知。文章详细阐述了模式中的四个关键角色:抽象被观察角色、具体被观察角色、抽象观察角色和具体观察角色,并通过示例进行说明。

1.概述

观察者设计模式,也称发布订阅模式;

被观察者(发布者)发布信息,观察者(订阅者)订阅后就会收到消息

 

该模式涉及四个角色:

抽象被观察角色

具体被观察角色

抽象观察角色

具体观察角色

 

示例:

package StudyJava;

public interface Observerable {
	
	// 发布者需要实现几个功能:订阅者注册,订阅者移除,订阅者唤醒
	public void registerOberver(Observer observer);
	
	public void removeOberver(Observer observer);
	
	public void notifyOberver();

}

interface Observer{
	
	// 订阅者需要有更新自己的方法,供发布者去发布
	public void update(String message);
	
}



package StudyJava;

import java.util.ArrayList;
import java.util.List;

public class WeChatServer implements Observerable {
	
	// 一个发布者的实现
	
	// 订阅者列表,当发布者发布时,会通知所有订阅者
	private List<Observer> observerList;
	private String message;
	
	// 在构造器初始化List
	public WeChatServer(){
		
		observerList = new ArrayList<Observer>();
		
	}
	
	
	@Override
	public void registerOberver(Observer observer) {
		 
		observerList.add(observer);
		
	}

	@Override
	public void removeOberver(Observer observer) {
		// 这里判断observer是否在列表中
		if(observerList.contains(observer)){
			observerList.remove(observer);
		}
	}

	@Override
	public void notifyOberver() {
		
		for(Observer observer : observerList){
			observer.update(message);
		}
		
	}
	
	// 提供一个修改信息的方法,在内部调用notify
	public void changeMessage(String message){
		this.message = message;
		// 这里会先对message赋值,因而notify会将最新信息发布
		notifyOberver();
	}
	
	

}
package StudyJava;


public class UserObserver implements Observer{
	
	
	
	private String message;
	@Override
	public void update(String message) {
		this.message = message;
		read();
	}
	
	public void read(){
		
		// 打印信息和是哪个对象收到的信息
		System.out.println(message + this.toString());
		
	}

}

测试:

package StudyJava;

public class test4 {

	public static void main(String[] args) {
		 
		UserObserver user1 = new UserObserver();
		UserObserver user2 = new UserObserver();
		WeChatServer ws = new WeChatServer();
		ws.registerOberver(user1);
        ws.registerOberver(user2);
        ws.changeMessage("今天吃顿好的");
	}

}

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值